在现代职场中，加班现象日益普遍，而隐形加班和远程待机等新的工作模式也逐渐引发关注。下文将围绕这三个主题，基于相关文献对其进行综述，探讨其产生的背景、影响及对策。

加班是指员工在法定工作时间以外从事的额外工作，通常包括有偿和无偿两种形式。近年来，以“996”工作制为代表的加班现象在互联网行业尤为突出。尽管国家明文规定每日工作时间不得超过8小时、每周工作不得超过44小时，但实际情况显示，员工每周工作时间远超这一法定标准 [1] 。根据调查，尤其是在互联网行业，企业普遍通过“准制度加班”或“自愿加班”的形式，迫使员工延长工作时间 [2] 。

尽管加班有时能够提高短期的工作效率或完成任务，但研究表明，长期加班对员工的身心健康有害。情绪耗竭、压力增加以及工作效率下降是加班带来的常见负面后果 [3] 。此外，过度加班还导致员工的身心健康问题，如增加心脑血管疾病的风险，降低工作满意度和幸福感 [4] 。

隐形加班指的是通过技术手段，使员工在法定工作时间外继续处理工作任务，但这些时间往往不被记录为加班。随着即时通讯工具的普及，企业通过微信、电子邮件等方式让员工在下班后继续处理工作事务，这模糊了工作和休息的界限，增加了员工的工作负担 [5] 。

隐形加班现象在一些企业变得普遍，甚至在企业文化中逐渐被接受。例如，在某些企业，员工被要求在休息日通过手机完成工作任务，且无法获得加班报酬 [6] 。隐形加班不仅给员工带来更多的工作压力，还因为其隐蔽性，使员工维权困难 [6] 。研究表明，隐形加班会导致员工感知的工作压力增加，进一步影响其身心健康 [4] 。

远程待机是一种特殊的隐形加班形式，指的是员工在工作时间以外仍需保持在线状态，随时准备处理工作事务。员工虽然不在工作场所，但无法彻底放松，因为他们必须随时待命。这种状态往往是通过技术手段实现的，如要求员工在下班后携带工作设备，随时参与线上会议或处理紧急工作任务 [5] 。

远程待机的工作模式使员工无法从心理上彻底从工作中抽离，增加了员工的压力和焦虑感 [6] 。例如，在一些互联网公司，员工被要求在假期中保持远程待命，这不仅影响了员工的个人生活，也进一步加剧了员工的心理负担。

加班、隐形加班和远程待机都会对员工的身心健康造成不同程度的影响。研究表明，长期加班会导致员工的任务绩效下降，尤其是非自愿加班的员工，其情绪耗竭水平更高，导致工作效率明显降低 [3] 。此外，远程待机和隐形加班使得员工的私人时间被侵占，这加重了员工的压力，并可能导致员工的工作倦怠感。

隐形加班的另一显著特点是它对员工的身心健康有较强的负面影响。研究发现，员工在长期隐形加班中，容易出现疲劳和心理压力增加的现象，这对他们的工作投入和工作满意度都会产生负面影响 [7] 。

劳动过程理论是由马克思的劳动异化理论发展而来的，后来由布拉弗曼(Harry Braverman)在1970年代的《劳动与垄断资本》一书中详细阐述。这一理论主要关注资本主义社会中的劳动控制方式，解释企业如何通过技术和管理手段控制劳动者的工作时间和劳动强度。

劳动过程理论认为，资本主义企业通过控制劳动者的工作内容和工作节奏，最大化地提取剩余价值。加班和隐形加班现象是企业为了减少劳动力成本、提高生产率的方式之一。在技术和数字化环境下，通过即时通讯工具(如微信、邮件)远程操控员工，进一步扩大了企业对劳动者的控制。隐形加班和远程待机也是资本控制劳动的一种形式，员工在下班时间仍然不能完全摆脱企业的监督和要求。

职场侵占理论主要研究企业在无意识或有意的情况下，如何通过工作时间、工作内容侵占员工的私人生活。该理论认为，当企业对员工的个人生活进行过度干预，尤其是通过隐形手段要求员工下班后继续工作时，会影响员工的生活质量和工作满意度。

远程待机和隐形加班是企业通过数字化手段扩大对员工控制范围的典型案例，员工的私人生活被“碎片化”侵占，必须时刻处于待命状态，导致无法彻底放松。职场侵占理论强调，企业这种“碎片化”工作方式，会侵占员工的私人空间，导致工作和生活界限模糊，进而影响员工的心理健康。

马尔库塞认为，免于匮乏的自由高于一切形态的自由，而所谓“工作的自由”正是通过“免于匮乏”对工人进行身体与意识双重的控制，使其失去自由、失去批判的意识与能力，成为娱乐至死的单向度的人，换句话说，“工作的自由”恰恰是通过“要么工作要么挨饿”的不自由实现的 [8] 。除此之外，后现代学者奈格里也指出，尽管随着信息化的开启，非物质劳动将融入社会各方各面，为世界带来解放的力量，但是其同样也指出伴随人道的非物质劳动，一系列冗杂的底层工作也将出现，就像伴随信息技术的进展而出现的底层码农一样，届时，人的异化、机构对人的控制将会更加隐秘、更加地无孔不在 [9] 。

总而言之，正如吉登斯所述，“现代性是一种双重现象，现代性创造安全和有成就的生活时，也有其阴暗面” [10] ，一方面机构对于工人的控制的程度更为深入，另一方面机构对工人的控制手段也更加丰富。基于上述理论与现有研究，从工作强度、工作态度与远程待机方面提出本文的假设。

H1.1：体力劳动强度越强，工人加班的概率越高；

H1.2：脑力劳动强度越强，工人加班的概率越高；

H2.1：工人满意度越高，加班的概率越高；

H2.2：工人的压力越高，加班的概率越高；

H3.1：远程待机的工人比无需远程待机的工人加班的概率更高。

本文数据来源于2021年中国综合社会调查项目(CGSS2021)，该项目以总结社会变迁为核心，通过全国性、综合性、持续性的调查，收集职业、劳动力、价值观等方面的数据。CGSS2021采用多阶分层抽样，代表性较强。本文在筛选工作人群并剔除缺失值后，得到有效样本1890份。

因变量。本研究因变量为加班，即指在正常工作时间之外，员工继续在工作岗位上从事工作或履行职责的行为。本研究通过“您过去一个周是否有过加班”条目测量加班，将加班设置为二分变量。

自变量。本研究从工作强度、工作态度与远程待机设置主要自变量，具体包括脑力劳动强度、体力劳动强度、工作压力、工作满意度、远程待机五个变量。脑力、体力劳动强度、工作压力由“做重体力劳动的频率”“做重脑力劳动的频率”“感觉工作压力大的频率”赋值1~4所得；工作满意度由“总体而言，您对您当下的工作是否满意”赋值1~5所得；远程待机由“过去一个月，您的工作是不是存在电话随叫随到的情况”与“过去一个月，您的工作是不是存在通过微信或电话随时安排工作任务的情况”两个条目测量，只要受访者在这两个条目中的任意一个条目中选择是，那么就认为受访者存在远程待机的情况。

控制变量。本研究将月报酬、受教育年限、性别与年龄四个基本人口学要素作为本研究的控制变量。

结合研究主题，本文选择logistic回归模型来对工作强度、态度与远程待机对加班的影响进行分析研究，该模型与本研究的数据特性和研究需求有较高匹配度，具体如下：

1) 研究问题与因变量的特性

本文研究目的是探讨工作强度、工作态度和远程待机等因素对员工是否加班的影响，加班(是否加班)为二分类的因变量(0表示未加班，1表示加班)。这种二分类变量直接决定了logistic回归模型的适用性。

Logistic回归模型在预测二分类结果的概率方面表现优异，尤其适合解决这类“是或否”形式的分类问题。相比之下，线性回归主要适用于连续型因变量，不适合对分类问题进行概率估计和解释。如果强行使用线性回归模型，将导致预测值不再局限于[0, 1]范围，而可能出现大于1或小于0的值，这在解释加班概率时并不合理。Logistic回归采用的是Sigmoid函数，该函数的输出值严格在[0, 1]之间，正好适合用来表示概率，这样可以更合理地解释工作强度、工作压力等因素对加班概率的影响。

2) logistic回归在结果解读和假设验证具有优势

本研究假设包括“工作强度越高，加班概率越高”等定向假设。logistic回归的系数具有清晰的解释力，可以通过系数的符号和显著性水平直接验证这些假设。

Logistic回归中，系数的指数化结果可以解释为发生加班的相对风险比，例如“体力劳动强度每上升一个单位，加班的概率会提升1.24倍”，这种解释非常直观，便于读者理解结果的实际意义。与支持向量机(SVM)的比较，尽管支持向量机在处理分类问题上表现优良，但其结果输出并非基于概率，而是基于分类边界的距离。这种结果不利于解释各个自变量对加班概率的具体影响。另外，支持向量机不易提供直观的系数解释，难以满足本文关于量化工作强度、工作压力等因素对加班的增量影响的需求。且SVM模型的计算复杂度相对较高，在变量较多或样本量较大的情况下，计算成本较大，且结果的解读复杂，会超出本研究的需求。

3) logistic回归与研究设计的匹配性

本研究采用的是CGSS 2021的抽样数据，logistic回归模型的稳健性和解释性特别适合本研究数据。Logistic回归可以很好地处理不同类型的自变量(如连续变量和二分类变量的混合)，也便于添加控制变量(如月报酬、受教育年限等)，符合设计的研究结构和需求。

另外，logistic回归的结果可以通过显著性检验和Pseudo R-squared值来评估模型的拟合优度，使得模型在统计解释力和合理性方面更为完善。

因此，logistic回归是本研究最优的建模选择。

模型1用于验证H1.1与H1.2，即工作强度对加班概率的影响：

$\begin{array}{c}\text{Log}\left(加班/\left(1-加班\right)\right)={\beta }_0+{\beta }_1体力劳动强度+{\beta }_2脑力劳动强度+{\beta }_3月报酬\\ +{\beta }_4受教育年限+{\beta }_5年龄+{\beta }_6性别\end{array}$

模型2用于验证H2.1与H2.2，即工作态度对加班概率的影响：

$\begin{array}{c}\text{Log}\left(加班/\left(1-加班\right)\right)={\beta }_0+{\beta }_1工作压力+{\beta }_2工作满意度+{\beta }_3月报酬\\ +{\beta }_4受教育年限+{\beta }_5年龄+{\beta }_6性别\end{array}$

模型3用于验证H3.1，即远程待机对加班概率的影响：

$\text{Log}\left(加班/\left(1-加班\right)\right)={\beta }_0+{\beta }_1远程待机+{\beta }_2月报酬+{\beta }_3受教育年限+{\beta }_4年龄+{\beta }_5性别$